iheatmapr包：构建复杂交互式热图的模块化工具

概述

iheatmapr是一个用于构建复杂交互式热图的R包，它采用模块化构建块的设计理念。所谓"复杂"热图，是指在主热图的行或列方向上添加子图，以提供更多关于行或列的信息。例如，可以在热图旁边添加一列注释热图来显示各行或列所属的组别。交互性功能可以增强复杂热图的表现力，通过悬停提示显示单元格详细信息，并支持缩放查看感兴趣的区域。

数据准备

本文使用R内置数据集Indometh进行演示，该数据集记录了6名患者在静脉注射消炎痛后不同时间点的血浆浓度。我们首先将数据转换为矩阵形式：

library(iheatmapr)
library(reshape2)

# 转换数据为矩阵格式
Indometh_matrix <- acast(Indometh, Subject ~ time, value.var = "conc")
rownames(Indometh_matrix) <- paste("Patient", rownames(Indometh_matrix))

# 计算患者间的相关系数矩阵
Indometh_patient_cor <- cor(t(Indometh_matrix))

# 计算每位患者的最高和最低浓度
patient_max_conc <- apply(Indometh_matrix, 1, max)
patient_min_conc <- apply(Indometh_matrix, 1, min)

# 创建患者分组（示例数据中无真实分组信息，这里模拟）
patient_groups <- c("A","A","B","A","B","A")

构建复杂热图示例

下面展示如何使用iheatmapr构建一个包含多种组件的复杂热图：

main_heatmap(Indometh_patient_cor, name = "Correlation") %>%
  add_col_clustering() %>%  # 添加列聚类
  add_row_clustering(k = 3) %>%  # 添加行聚类并分为3组
  add_row_title("Patients") %>%  # 添加行标题
  add_col_title("Patients") %>%  # 添加列标题
  add_row_annotation(data.frame("Max" = patient_max_conc,
                               "Min" = patient_min_conc,
                               "Groups" = patient_groups)) %>%  # 添加行注释
  add_main_heatmap(Indometh_matrix,
                  name = "Indometacin<br>Concentration") %>%  # 添加主热图
  add_col_labels() %>%  # 添加列标签
  add_col_title("Time") %>%  # 添加列标题
  add_col_summary()  # 添加列汇总

这个热图包含以下组件：

1. 患者间相关系数矩阵热图
2. 列聚类树状图
3. 行聚类树状图和3组注释
4. 显示患者最高和最低浓度的注释热图
5. 显示患者分组的注释热图
6. 实际的消炎痛时间过程数据热图
7. 平均时间响应曲线

模块化构建系统

iheatmapr采用模块化设计，通过逐步添加组件来构建复杂热图。主要分为两类图形：

• 主热图(main heatmap)：核心数据展示
• 子图(subplot)：可以添加在主热图的上、下、左、右四个方向

基础热图创建

使用main_heatmap函数初始化热图：

basic_heatmap <- main_heatmap(Indometh_patient_cor, name = "Correlation")

添加行/列注释

使用add_row_annotation和add_col_annotation添加注释：

basic_heatmap %>%
  add_row_annotation(data.frame("Groups" = patient_groups)) %>%
  add_col_annotation(data.frame("Groups" = patient_groups))

添加多个主热图

使用add_main_heatmap可以添加多个主热图：

basic_heatmap %>%
  add_main_heatmap(Indometh_matrix, name = "Concentration")

行/列排序

初始化热图时可指定排序，或通过聚类函数自动排序：

main_heatmap(Indometh_matrix, row_order = c(3,1,2,4,6,5))

高级功能

聚类分析

iheatmapr支持多种聚类方法：

1. 层次聚类（默认）：

main_heatmap(Indometh_matrix) %>% 
  add_row_clustering()

2. K-means聚类：

main_heatmap(Indometh_matrix) %>% 
  add_row_clustering(k = 3, method = "kmeans")

3. 自定义分组：

main_heatmap(Indometh_matrix) %>% 
  add_row_clustering(method = "groups", groups = c("A","A","B","B","A","A"))

自定义颜色

可以通过colors参数自定义热图颜色：

main_heatmap(Indometh_patient_cor,
             colors = c("blue", "white", "red"),
             name = "Correlation")

或使用RColorBrewer调色板：

main_heatmap(Indometh_patient_cor,
             colors = "RdBu",
             name = "Correlation")

数据汇总

添加行或列的数据汇总：

main_heatmap(Indometh_matrix) %>% 
  add_col_summary()  # 默认计算均值

main_heatmap(Indometh_matrix) %>% 
  add_col_summary(summary_function = "median")  # 计算中位数

按分组汇总：

main_heatmap(Indometh_matrix) %>% 
  add_col_summary(groups = patient_groups)

保存热图

使用save_iheatmap函数保存热图：

myplot <- main_heatmap(Indometh_matrix)
save_iheatmap(myplot, "myplot.html")  # 交互式HTML
save_iheatmap(myplot, "myplot.png")   # 静态图片

总结

iheatmapr包通过模块化设计，使得构建复杂交互式热图变得简单直观。其主要特点包括：

1. 灵活的模块化组件系统
2. 支持多种聚类方法
3. 丰富的注释和汇总功能
4. 交互式操作体验
5. 多种输出格式支持

无论是简单的数据可视化还是复杂的多组件热图，iheatmapr都能提供强大的支持。通过组合不同的模块，用户可以轻松创建出满足各种分析需求的热图可视化效果。